#今日论文推荐#CVPR 2022 | 只需要一组预训练参数,所有恶劣天气一次解决
最近CVPR'22的文章已经放出来了,发现了这篇能够一次解决所有恶劣天气的算法,相当有趣以及新颖,因此整理下来分享给大家,目前训练代码,预训练模型皆已开源。
简介
当前针对恶劣天气的影像复原算法虽然已经发展多年并且已经成熟,但是有着许多的限制:
- 单张影像还原(Single Weather Removal) [1,2]: 虽然能够在单种气候下获得良好的效果,但是对于其他天气而言效果相当有限,因为所设计的架构大多数是针对某种气候的特征去设计,不利于真实世界的应用。
- 多重天气还原(Multi-degradation removal) [3]: 可以使用同一种架构去针对不同还原任务去做训练,但是一种还原就要训练一组参数,并且必须事先分辨是哪一种还原任务。
- 多合一天气还原 (All-in-one Bad Weather Removal) [4]: 虽然使用Neural architecture search运用一个编码器搜索特征,能够实现一组预训练模型解决所有的天气,但是一种天气就需要一种译码器,对于模型有着大小的不便性。
对于真实世界而言影像还原模型需要能够在不增加运算需求以及模型大小的情况下扩充还原的型态,并且同时有着良好的性能,本篇文章针对这个问题,基于知识蒸馏(Knowledge Distillation)提出了一个新颖的算法,能够在不增加运算资源的情况下在多种天气下达到相当好的性能。
此外,这个团队在过去对于影像还原有许多发表:
- 单张影像去雪:[JSTASR] (ECCV'20) 、 [HDCW-Net] (ICCV'21)
- 单张影像去雾:[PMS-Net] (CVPR'19) and [PMHLD] (TIP'20)
- 单张影像去雨:[ContouletNet] (BMVC'21)
论文题目:Learning Multiple Adverse Weather Removal via Two-stage Knowledge Learning and Multi-contrastive Regularization: Toward a Unified Model
详细解读:https://www.aminer.cn/research_report/62afda1d7cb68b460fd6c158?download=falsehttps://www.aminer.cn/research_report/62afda1d7cb68b460fd6c158?download=false
AMiner链接:https://www.aminer.cn/?f=cs